论文页面 - SANA-Video: 基于块线性扩散 Transformer 的高效视频生成

来源：https://huggingface.co/papers/2509.24695
发布于 2025年9月29日

·

由 https://huggingface.co/Yuyang-z 提交

Yuyang (https://huggingface.co/Yuyang-z) 于 2025年9月30日

作者：

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

摘要

SANA-Video 是一个小型扩散模型，利用线性注意力和恒定内存 KV 缓存，高效生成高分辨率、高质量的视频，并具备强大的文本-视频对齐能力，在更低的成本和更快的速度下实现具有竞争力的性能。

我们推出了 SANA-Video，一个能够高效生成分辨率高达 720x1280、时长可达分钟级视频的小型扩散模型 (https://huggingface.co/papers?q=diffusion%20model)。SANA-Video 以极快的速度合成高分辨率、高质量的长视频，并具备强大的文本-视频对齐 (https://huggingface.co/papers?q=text-video%20alignment) 能力，可在 RTX 5090 GPU 上部署。我们的高效、有效且长视频生成依赖于两个核心设计：(1) 线性 DiT (https://huggingface.co/papers?q=Linear%20DiT)：我们利用线性注意力 (https://huggingface.co/papers?q=linear%20attention) 作为核心运算，相较于处理视频生成中大量 token 的传统注意力机制，效率更高。(2) 用于块线性注意力的恒定内存 KV 缓存 (https://huggingface.co/papers?q=Constant-Memory%20KV%20cache)：我们设计了一种基于块的自动回归 (https://huggingface.co/papers?q=block-wise%20autoregressive) 方法，通过利用线性注意力 (https://huggingface.co/papers?q=linear%20attention) 的累积特性，采用恒定内存状态来实现长视频生成。这种 KV 缓存为线性 DiT (https://huggingface.co/papers?q=Linear%20DiT) 提供固定内存成本的全局上下文，消除了传统 KV 缓存的需求，从而实现高效、分钟级视频生成。此外，我们探索了有效的数据过滤和模型训练策略，将训练成本缩减至在 64 块 H100 GPU 上仅需 12 天，仅为 MovieGen (https://huggingface.co/papers?q=MovieGen) 成本的 1%。凭借低成本优势，SANA-Video 在与现代最先进的小型扩散模型 (https://huggingface.co/papers?q=diffusion%20model)s（例如 Wan 2.1-1.3B 和 SkyReel-V2-1.3B）相比时，实现了具有竞争力的性能，同时实测延迟快 16 倍。此外，SANA-Video 可在 RTX 5090 GPU 上以 NVFP4 精度 (https://huggingface.co/papers?q=NVFP4%20precision) 进行部署，将生成 5 秒 720p 视频的推理速度从 71 秒加速到 29 秒（2.4 倍加速）。总之，SANA-Video 实现了低成本、高质量的视频生成。

查看 arXiv 页面 (https://arxiv.org/abs/2509.24695)
查看 PDF (https://arxiv.org/pdf/2509.24695)
项目页面 (https://nvlabs.github.io/Sana/Video)
GitHub 5.25k (https://github.com/NVlabs/Sana)
添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2509.24695)

在您的 agent 中获取此论文：

hf papers read 2509.24695

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型 5

Efficient-Large-Model/SANA-Video_2B_720p 文本转视频 • 更新于 Mar 16 • 20 • 15 (https://huggingface.co/Efficient-Large-Model/SANA-Video_2B_720p)

Efficient-Large-Model/SANA-Video_2B_480p 文本转视频 • 更新于 Oct 28, 2025 • 88 • 14 (https://huggingface.co/Efficient-Large-Model/SANA-Video_2B_480p)

Efficient-Large-Model/SANA-Video_2B_480p_diffusers 文本转视频 • 更新于 Nov 4, 2025 • 5 (https://huggingface.co/Efficient-Large-Model/SANA-Video_2B_480p_diffusers)

Efficient-Large-Model/SANA-Video_2B_480p_LongLive_diffusers 文本转视频 • 更新于 Dec 9, 2025 • 2 (https://huggingface.co/Efficient-Large-Model/SANA-Video_2B_480p_LongLive_diffusers)

浏览引用此论文的 5 个模型 (https://huggingface.co/models?other=arxiv:2509.24695)

引用此论文的数据集 0

没有数据集链接此论文

请在数据集的 README.md 中引用 arxiv.org/abs/2509.24695 以便在此页面链接。

引用此论文的 Space 1

包含此论文的收藏集 5

浏览包含此论文的 5 个收藏集 (https://huggingface.co/collections?paper=2509.24695)